Gemini 4 Neon实测:编程碾压Opus,免费Agent却暗藏三大坑

Gemini 4 Neon 编程登顶但隐藏推理 token 计费昂贵,免费 Tasks 可用却会静默失败。
Google 同期发布 Gemini 4 Neon 模型与消费级个人 Agent 功能 Tasks。Neon 在 Coding Agent Index 以 58.6 登顶全球第一,Cursor Bench 4.1 达 65.4%,任务成本从 $10.04 降至 $6.44,定价输入 $3、输出 $15。但文章提醒,Neon 无免费开发者 API 额度,Thinking 模式每个隐藏推理 token 均按 $15 输出费率计费,且发布博文中关于基座模型的句子被悄然删除。四轮真实代码测试中 Neon 均一次性跑通,X-High 档位 134 秒找出 10 个安全漏洞,成本仅 25 美分。免费 Tasks 在美国、加拿大、澳大利亚、印度、日本、韩国开放,英国与欧洲经济区完全屏蔽,存在 Duplex 电话静默失败、长任务完成后不通知等生产环境问题。作者建议按爆炸半径分配思考预算、把不可变 schema 放在提示词顶部以命中缓存,并警惕跨工具上下文丢失。
Google 在同一时间窗口内放出了两个重磅更新:代号 Neon 的 Gemini 4 新模型,以及被塞进消费级 Gemini 里的个人 Agent 功能 Tasks。前者在独立榜单上冲到编程 Agent 全球第一,后者向部分地区的所有用户免费开放。但一位 YouTube 创作者用四轮真实代码对战和现场压力测试得出了一个分裂的结论——一半是惊艳,一半会在生产环境中悄悄失效。
一次发布,两个产品,几乎没人注意到它们的咬合
把时间线摊开看,Google 近期的模型发布密度已经让人难以追踪:Carbon 主打长周期深度研究,Hydrogen 以低价承担高速子代理任务,Project Opal 直接毕业成了 Gemini Tasks。而 Neon 被放在 Hydrogen 和 Carbon 之间,定价为输入 $3、输出 $15,支持 95% 上下文缓存和四档可控思考预算,其中包含一档 extra high。
真正让社区意外的是独立榜单的表现。在 Artificial Analysis V9.01 上,Neon 拿到 60.1 的综合分,距离定价 $40 的 GPT 6.2 Astra 只差一个点,同时压过 Carbon 和 Opus 5.5。在 Coding Agent Index 上,Neon 以 58.6 登顶全球第一,Cursor Bench 4.1 拿到 65.4%,Automation Bench 为 56.3%,并把 Opus 的任务成本从 $10.04 压到 $6.44。
需要提醒的是,这些数字来自单一 YouTube 创作者的转述,读者应以官方榜单页面复核为准。

一个被悄悄删掉的句子,和两条会咬人的计费规则
在该创作者的调查中,Google 发布博文早期写有一句话,称 Neon 是在 Gemini 4 Hydrogen 基础上通过扩展强化学习训练而成,几小时后这句话被删除,且没有变更日志说明。基座检查点到底是什么,目前没有官方解释。
比训练细节更实际的是两条计费规则。第一,Neon 没有面向开发者的免费 API 额度。第二,Thinking 模式中每一个隐藏的推理 token 都按 $15 的输出费率计费,即便你还挂着 100 万 token 的上下文窗口。这意味着高强度推理的实际账单可能远超直觉预期。
上下文缓存(Context Caching) 是一项让模型对重复出现的提示词前缀复用已计算中间状态的技术。当提示词开头部分(如系统提示、数据库 schema、代码地图)在多次调用间保持不变时,服务端可缓存这部分计算,后续调用只需为新增内容付费。缓存命中通常按更低的输入费率计费,未命中部分仍按标准输入价。文章提到的「95% 上下文缓存」指支持极高比例的缓存复用,而「把系统 schema 固定比例从 0% 提到 95%」则是通过稳定提示词前缀来提高命中率、压低单位成本。需注意,缓存只作用于输入侧,思考模式产生的隐藏推理 token 仍按输出费率全额计费。
四轮代码对战:Neon 赢在哪,Carbon 输在哪
合成基准容易说谎,于是测试直接上真实任务。
测试一:轨道数据中心。 同一份空白文件、同一个提示词,Carbon 在 high 思考档位下超过 8 分钟超时,降到 medium 后才在约 100 秒内给出干净的几何与轨道物理;Neon 在 high 档位下 167 秒完成 24000 token 的 3D 数据集,费用 $0.37,并且一次性跑通——脉冲式神经导管、可响应的热视图 HUD、更锐利的体积光,控制台零报错。
测试二:暗色玻璃模拟器。 Neon 用 136 秒、$0.32 完成。这里还验证了缓存策略的效果:把系统 schema 固定比例从 0% 提到 95%,缓存输入成本降到每百万 token $0.15,不到 Astra $0.40 现金费率的一半。
测试三:可玩的 3D 轨道 trench 碰撞器。 单个 HTML 文件,287 秒完成,平滑的相机滚转、推进器粒子、碰撞门在实时方向键输入下没有出现状态损坏。
测试四:安全审计。 在 Anti-Gravity 中把 Neon 切到 X-High 推理,喂入一个可被利用的 Next.js 计费端点——内含时序泄漏的 bearer 校验、缺失的租户 org ID 过滤、无上限的 agent 重试循环。134 秒、25 美分,Neon 干净地找出 10 个漏洞,并补上 SHA-256、恒定时比较、严格租户隔离和三振重试熔断。

Coding Agent Index 与 Cursor Bench 4.1 都是面向编程代理的评测榜单,但侧重点不同。Coding Agent Index 通常衡量模型在真实仓库级任务上的端到端完成率、工具调用正确性与成本效率;Cursor Bench 则基于 Cursor 编辑器的实际使用场景,评估模型在代码补全、多文件修改与指令遵循上的表现。Automation Bench 关注自动化工作流(如表单填写、多步操作)的成功率。这类榜单的分数受提示词、工具集和运行环境影响较大,且多为第三方或社区维护,因此文章提醒读者以官方页面复核。理解这些基准的差异,有助于判断 Neon 的「全球第一」究竟覆盖了哪类能力边界。
免费 Agent Tasks:可用,但别急着托付
Google 把这套消费级 Agent 正式命名为 Tasks,整合了 Gemini Spark 并让 Project Opal 毕业。可用性地图相当割裂:美国、加拿大、澳大利亚、印度、日本和韩国全体免费;其他地区需要 Pro 或 Ultra 订阅;英国和欧洲经济区完全屏蔽。
产品形态是在 Gemini 网页和移动端的提示栏里多出一个 chat / task 切换。切进 Tasks 会生成由 Gemini 4 Hydrogen 驱动的后台编排工作区,直连 Docs、Sheets、Slides、Calendar、Linear、Jira 和 Instacart。更实用的是原生短信与 RCS 通道,以及通过 gemini.google.com 的邮箱通道——在路上转发一封邮件就能触发代理工作。开启路径藏得很深:移动端 Settings → Preferences → Channels,在 Text with Gemini 下验证手机号。

问题出在真实使用中。该创作者列出了三个会静默失败的场景:
- Duplex 自动电话仍然失败,在很多账号上无声失败,45 分钟后回退成一封普通邮件,而不是真的拨出电话。
- 长任务完成后不通知,线程一直沉默,直到你回一个字“update”。
- 产品气质错位,把一个环境式自主队友命名为冷冰冰的“任务标签”,让它更像一次性登机牌,而不是持续存在的个人操作员。

Duplex 是 Google 面向语音通话场景的对话技术,能让 AI 以自然语音代替用户拨打电话、完成预约或查询等任务。它需要实时语音合成、打断处理与电话网络桥接,对延迟和稳定性要求远高于文本交互。Tasks 中的 Duplex 自动电话功能若在部分账号上无声失败,通常与区域电话合规、运营商线路或账号验证状态有关,而非模型能力问题。RCS(Rich Communication Services)则是替代传统短信的富媒体消息协议,支持已读回执、群聊和多媒体卡片,Tasks 通过原生短信与 RCS 通道接收指令,意味着用户无需打开 App 即可触发后台代理工作——这也是其「环境式」体验的关键,但通道可用性高度依赖运营商与地区支持。
三条今晚就能用的落地策略
- 按爆炸半径分配思考预算。 便宜的 Hydrogen 跑子代理,日常编码用 Neon High,X-High 只留给安全审计这类高后果场景。
- 把不可变数据库 schema 和代码地图放在提示词最顶部。 这样 Neon 的缓存前缀才能命中,把一轮昂贵的调用循环成本显著压下来。
- 别让上下文在工具间蒸发。 编码放 Neon、UI 设计放 Cloud 5.5、日常差事放 Tasks,一旦在孤岛间丢失上下文,节奏就断了。创作者为此自建了 Exogram.ai 作为加密个人记忆层,这属于单一来源的产品推荐,读者按需评估。
最终判断可以很直白:把 Tasks 接到短信和邮箱上跑免费日常流程,把 Hydrogen 留在工作线程,Carbon 留给深度研究,而 Neon 值得成为默认的工程主力——前提是你已经为隐藏推理 token 的账单和静默失败的通知机制做好了准备。
相关推荐

不写代码,靠“砍需求”和挑刺,他用AI做出上架App Store的App
游戏策划不懂前端后端,却和AI一起做出上架App Store的双端App。他不靠AI一键生成,而是靠做减法和像甲方一样挑刺,让AI搞定设计、开发、备案、上架与宣发全流程。

Harness Engineering是什么?从概念由来到企业级Agent落地
Harness Engineering是什么?本文梳理这一智能体工程范式的概念由来,解析企业级Agent高并发项目在工具调用容错、数据安全、租户隔离、记忆断层等方面的落地要求,以及面试官为何重点关注这些能力。

扣子Coze实战:三类智能体分法与多Agent协作指南
B站实战教程拆解多Agent协作工具链:扣子Studio、Dify等搭建平台,Claude Code等Agent软件,以及LangChain等开发框架三类分工,并演示扣子Coze的行业模板、三端互通、本地Agent对接等能力与积分消耗的取舍。